实验设计与生物学重复：差异分析的基石

说到RNA-seq差异分析，很多人一上来就关注怎么跑软件、怎么调参数。但我必须告诉你，真正决定结果质量的，往往是你拿到数据之前的那几步——实验设计。我做过的项目里，至少有三分之一是因为重复数不够或者设计有缺陷，最后出来的差异基因根本没法解释。

今天我们就来把实验设计和生物学重复这两个东西聊透。你想想看，如果连样本都不可靠，后面的p值再好看又有什么用？

什么是生物学重复？跟技术重复有什么区别？

说实话，这个概念刚开始总有人搞混。我来给你讲清楚：

• 生物学重复：同一实验条件下，来自不同个体的样本。比如你养了三批细胞，分别提取RNA建库测序。它反映的是群体内部的生物学变异性。
• 技术重复：同一个样本，分几份去做测序。比如把同一管RNA分三份建库。它反映的是实验操作的技术误差。

我把它们的核心差异整理成了表格，你一眼就能看明白：

维度	生物学重复	技术重复
来源	不同个体/培养物	同一份样本分装
反映的误差	生物学变异	操作/测量误差
对差异分析的贡献	直接决定统计推断的可靠性	仅用于评估精度，不解决生物学问题
推荐的使用场景	所有差异分析实验	验证流程稳定性或优化方法

说白了，RNA-seq差异分析的核心是判断不同条件下的群体差异。生物学重复不够，你压根没法把这个差异和随机波动分开。我个人习惯是，在任何发表的差异分析工作中，生物学重复数至少≥3，而且必须是真正的独立重复。

重复数到底怎么定？3个够不够？

这是每次上课都被问的问题。我的答案很直接：3是最低要求，但不是万能答案。具体取决于你的目的和样本本身的变异程度。

我在实际项目中通常这样判断：

• 如果样本间变异很小（比如高度纯化的细胞系），3个重复基本够用。
• 如果样本是组织块（比如人或小鼠的肝脏），个体差异大，我建议至少4-5个，否则最后跑出来的显著性会被变异性稀释掉。
• 如果要做时间序列或剂量效应，每个时间点/剂量至少3个，但整体上你还要考虑统计检验力的问题。

举个例子，如果你的目标是在80%的统计检验力下检测到2倍差异，计算代码大概是这样的：

library(ssizeRNA)

# 假设平均表达量10, 离散度0.4, FDR 0.05
ssizeRNA_single(nGenes = 20000,
                pi0 = 0.8,
                m = 2,
                mu = 10,
                disp = 0.4,
                fc = 2,
                power = 0.8,
                fdr = 0.05)

结果会告诉你，当前条件下需要多少重复才能达到目标统计检验力。我个人习惯是在这个基础上再加1-2个，以防样本在实验过程中出现意外。

实验设计里的常见陷阱与避坑指南

这部分是我最想跟你分享的内容。我踩过的坑比你想象的多，直接说重点：

1. 批次效应是头号杀手

   我曾经有一个项目，处理组和对照组的样本分两周测序。结果差异基因跑出来一堆，后来发现都是批次差异。避免方法很简单：把所有样本的建库和测序随机化安排。如果实在分批次，一定要在设计里加入批次信息作为协变量。

2. 配对设计不要忘

   如果你的实验是同一个体在不同时间点或不同部位取样（比如病人的肿瘤vs.正常组织），一定要用配对设计。DESeq2里用 ~ individual + condition 就能处理。不做配对，你的差异可能被个体差异淹没。

3. 不要合并不同技术平台的重复

   有一次合作方给我提供了3个生物学重复，结果其中2个是Illumina HiSeq做的，1个是NovaSeq做的。这哪能放一起？重复的“一致”很重要——一致的建库方法、一致的测序平台、一致的读长。

SVG：差异分析实验设计与重复关系图

下面这张图概括了从实验设计到差异分析的核心依赖关系。你重点关注生物学重复如何支撑最终的统计推断：